#1: Importar base de dados
import pandas as pd

tabela_clientes = pd.read_csv("telecom_users.csv")

#2: Visualizar a base de dados
tabela_clientes = tabela_clientes.drop("Unnamed: 0", axis =1) #exclui coluna Unnamed: 0
tabela_clientes = tabela_clientes.drop("IDCliente", axis =1) #exclui coluna IDCliente
display(tabela_clientes) #exibe a tabela formatada
display(tabela_clientes.columns) #mostra o nome de todas as colunas

	Genero	Aposentado	Casado	Dependentes	MesesComoCliente	ServicoTelefone	MultiplasLinhas	ServicoInternet	ServicoSegurancaOnline	ServicoBackupOnline	...	ServicoSuporteTecnico	ServicoStreamingTV	ServicoFilmes	TipoContrato	FaturaDigital	FormaPagamento	ValorMensal	TotalGasto	Churn	Codigo
0	Masculino	0	Sim	Sim	72	Sim	Sim	Nao	SemInternet	SemInternet	...	SemInternet	SemInternet	SemInternet	2 anos	Nao	CartaoCredito	24.10	1734.65	Nao	NaN
1	Feminino	0	Nao	Nao	44	Sim	Nao	Fibra	Nao	Sim	...	Nao	Sim	Nao	Mensal	Sim	CartaoCredito	88.15	3973.2	Nao	NaN
2	Feminino	1	Sim	Nao	38	Sim	Sim	Fibra	Nao	Nao	...	Nao	Nao	Nao	Mensal	Sim	DebitoAutomatico	74.95	2869.85	Sim	NaN
3	Masculino	0	Nao	Nao	4	Sim	Nao	DSL	Nao	Nao	...	Nao	Nao	Sim	Mensal	Sim	BoletoEletronico	55.90	238.5	Nao	NaN
4	Masculino	0	Nao	Nao	2	Sim	Nao	DSL	Sim	Nao	...	Nao	Nao	Nao	Mensal	Nao	BoletoEletronico	53.45	119.5	Nao	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
5981	Masculino	0	Sim	Nao	1	Sim	Nao	Fibra	Sim	Nao	...	Nao	Sim	Sim	Mensal	Sim	BoletoEletronico	95.00	95	Sim	NaN
5982	Feminino	0	Sim	Sim	23	Sim	Sim	DSL	Sim	Sim	...	Sim	Sim	Sim	2 anos	Sim	CartaoCredito	91.10	2198.3	Nao	NaN
5983	Masculino	0	Sim	Sim	12	Sim	Nao	Nao	SemInternet	SemInternet	...	SemInternet	SemInternet	SemInternet	Mensal	Sim	BoletoEletronico	21.15	306.05	Nao	NaN
5984	Masculino	1	Nao	Nao	12	Sim	Sim	Fibra	Nao	Nao	...	Nao	Sim	Sim	Mensal	Sim	BoletoEletronico	99.45	1200.15	Sim	NaN
5985	Masculino	0	Nao	Nao	26	Sim	Nao	Nao	SemInternet	SemInternet	...	SemInternet	SemInternet	SemInternet	Anual	Nao	CartaoCredito	19.80	457.3	Nao	NaN

5986 rows × 21 columns

Index(['Genero', 'Aposentado', 'Casado', 'Dependentes', 'MesesComoCliente',
       'ServicoTelefone', 'MultiplasLinhas', 'ServicoInternet',
       'ServicoSegurancaOnline', 'ServicoBackupOnline', 'ProtecaoEquipamento',
       'ServicoSuporteTecnico', 'ServicoStreamingTV', 'ServicoFilmes',
       'TipoContrato', 'FaturaDigital', 'FormaPagamento', 'ValorMensal',
       'TotalGasto', 'Churn', 'Codigo'],
      dtype='object')

#3: Tratar dados
#retirar valores vazios
tabela_clientes["TotalGasto"] = pd.to_numeric(tabela_clientes["TotalGasto"], errors="coerce")#transforma texto para numeros, erros transforma para campos vazios
print(tabela_clientes.info())#exibe informacoes da tabela, exibe quantidade de campos vazios

#problema de valores vazios
tabela_clientes = tabela_clientes.dropna(how="all", axis =1) #excluiu todas as colunas com valores vazios
tabela_clientes = tabela_clientes.dropna(how="any", axis =0)#excluiu linhas com pelomenos um valor vazio

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5986 entries, 0 to 5985
Data columns (total 21 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   Genero                  5986 non-null   object 
 1   Aposentado              5986 non-null   int64  
 2   Casado                  5986 non-null   object 
 3   Dependentes             5985 non-null   object 
 4   MesesComoCliente        5986 non-null   int64  
 5   ServicoTelefone         5986 non-null   object 
 6   MultiplasLinhas         5986 non-null   object 
 7   ServicoInternet         5986 non-null   object 
 8   ServicoSegurancaOnline  5986 non-null   object 
 9   ServicoBackupOnline     5986 non-null   object 
 10  ProtecaoEquipamento     5986 non-null   object 
 11  ServicoSuporteTecnico   5986 non-null   object 
 12  ServicoStreamingTV      5986 non-null   object 
 13  ServicoFilmes           5986 non-null   object 
 14  TipoContrato            5986 non-null   object 
 15  FaturaDigital           5986 non-null   object 
 16  FormaPagamento          5986 non-null   object 
 17  ValorMensal             5986 non-null   float64
 18  TotalGasto              5976 non-null   float64
 19  Churn                   5985 non-null   object 
 20  Codigo                  0 non-null      float64
dtypes: float64(3), int64(2), object(16)
memory usage: 982.2+ KB
None

#4: Olhar a distribuicaso de "Churns"(cancelamentos)
display(tabela_clientes["Churn"].value_counts()) #exibe a quantidade de cancelamentos
display(tabela_clientes["Churn"].value_counts(normalize=True).map('{:.1%}'.format))#exibe a porcentagem de cancelamentos,com 1 casa decimal
#5: Analizar os possiveis motivos para os cancelamentos
#instalar plotly comando no anaconta pip install plotly
import plotly.express as px
#cria todos os graficos da tavela
for coluna in tabela_clientes:
    grafico = px.histogram(tabela_clientes,x=coluna, color="Churn" )
    grafico.show()

Nao    4387
Sim    1587
Name: Churn, dtype: int64

Nao    73.4%
Sim    26.6%
Name: Churn, dtype: object